标准答案
- 精确匹配适合标签、枚举、标准化 JSON 字段或代码输出；语义相似度适合表达不同但意思接近的文本，但不能证明事实正确。
- 事实正确性检查答案断言是否被权威资料或业务数据支持；引用正确性检查引用存在、可访问、版本正确且真正支撑对应断言。
- 高风险任务应加入规则校验和人工抽样，不能用单一自动指标替代审查。指标要分层报告，避免平均值掩盖特定类别失败。
题目解析
语义相似的错误答案仍可能与参考答案很像。例如把退款期限写错一天，嵌入相似度可能仍很高，必须检查关键数字和条件。
事实评测需要定义权威来源和允许的时间范围。资料更新后，旧答案是否仍算正确要按业务规则决定。
结构化结果可以先通过 Schema，再检查字段值和业务关系；JSON 合法不是业务正确。
常见误区
- 用语义相似度替代事实验证。
- 引用数量多就认为引用正确。
- 只用参考答案字符串比较开放式回答。